「可交互音视频」共找到 5029 篇相关文章
ICLR 2026 | CineTrans: 首个转场可控的多镜头视频生成模型，打破闭源技术壁垒
随着视频生成模型发展，影视级长视频需多镜头序列及自然转场，这成新挑战。上海人工智能实验室团队提出 CineTrans 模型，基于掩码机制实现自动化转场，还构建 Cine250K 数据集，实验效果超基线。
VDC+VBench双榜第一！强化学习打磨的国产视频大模型，超越Sora、Pika
复旦大学等机构将强化学习引入视频生成领域。提出的Cockatiel方法在VDC榜单夺冠，IPO方法在VBench登顶，超越Sora、Pika等模型，优化后视频生成效果在多方面显著提升。
Self-Forcing++：让自回归视频生成模型突破 4 分钟时长极限
加州大学洛杉矶分校与字节Seed等团队联合完成Self-Forcing++，让自回归视频生成模型突破4分钟时长极限。它解决传统模型架构缺陷，经三步技术实现稳定超长视频生成，实验超基线，但仍有长时记忆缺失等问题。
谷歌全新Gemini Omni首曝，视频版「香蕉」来了！教授黑板推公式全对
谷歌原生视频模型Gemini Omni意外曝光，其生成视频的连贯性、一致性惊艳，还能实现实时编辑。此前OpenAI的Sora App停服，谷歌I/O 2026将开幕，多款Gemini模型或亮相。
微软公开预览可充当 MCP 服务器的 Logic Apps
微软宣布 Azure Logic Apps（标准版）公开预览新功能，可充当 MCP 服务器，为开发者构建和管理代理提供灵活方式。MCP 是开放标准，让 LLM、AI 代理等与外部系统交互，此功能好处多。
AAAI 2026 | 北航、东京大学填补AI「语义鸿沟」，过程感知视频理解如何找到「状态」锚点？
北航陆峰教授团队联合东京大学，提出视频理解新框架 TSS，引入“状态”作视觉锚点，解决抽象文本指令与具象视频对齐难题，已被 AAAI 2026 接收，代码已开源。
视频扩散模型新突破！清华腾讯联合实现高保真3D生成，告别多视图依赖
清华大学联合腾讯提出Scene Splatter，基于视频扩散模型，从动量视角引导其生成满足三维一致性的视频片段，提升三维场景生成效果，解决了传统方法在单张图片重建三维场景的难题。
中山大学梁小丹团队论文：让视频生成从「看起来真实」到「物理上正确」丨CVPR 2026
中山大学梁小丹团队提出《ProPhy: Progressive Physical Alignment for Dynamic World Simulation》，通过分层建模和逐步对齐，引入视觉语言模型作监督，解决视频生成模型物理建模问题，提升物理正确性和视频质量。
深度解析世界模型：新范式的路线之争，实时交互与物理仿真
文章认为2026年多模态技术将有大发展，世界模型轮廓渐清。文中对比语言、视频生成模型，指出世界模型优势，分析实时视频与3D结构化两条路线，介绍不同公司产品并以四象限框架分类。
AI视频生成走向「演技生成」时代，生数科技Vidu全球发布Vidu Q2
9月25日，生数科技全球上线新一代图生视频大模型Vidu Q2，打破AI生成表情假、动作飘忽等问题，实现从“视频生成”到“演技生成”跨越，有AI演技生动、镜头语言丰富等亮点，已多端上线。